[論文レビュー] RetiNet: Automatic AMD identification in OCT volumetric data

Stefanos Apostolopoulos, Carlos Ciller+3 more|arXiv (Cornell University)|Oct 12, 2016

Retinal Imaging and Analysis被引用数 15

ひとこと要約

RetiNetは、ボリュームレベルのラベルのみを用いて、OCTボリュームにおける年齢関連黄斑変性（AMD）検出のための2段階の弱教師付き深層学習フレームワークを提案する。まず、ボリュームラベルから導出された汚損した仮ラベルを用いて2次元Bスキャン分類器を訓練し、次にその特徴を3次元モザイクベースのネットワークで活用して全OCTボリュームを分類する。公開データセットで99.7%のAUCを達成し、最先端手法を上回った。

ABSTRACT

Optical Coherence Tomography (OCT) provides a unique ability to image the eye retina in 3D at micrometer resolution and gives ophthalmologist the ability to visualize retinal diseases such as Age-Related Macular Degeneration (AMD). While visual inspection of OCT volumes remains the main method for AMD identification, doing so is time consuming as each cross-section within the volume must be inspected individually by the clinician. In much the same way, acquiring ground truth information for each cross-section is expensive and time consuming. This fact heavily limits the ability to acquire large amounts of ground truth, which subsequently impacts the performance of learning-based methods geared at automatic pathology identification. To avoid this burden, we propose a novel strategy for automatic analysis of OCT volumes where only volume labels are needed. That is, we train a classifier in a semi-supervised manner to conduct this task. Our approach uses a novel Convolutional Neural Network (CNN) architecture, that only needs volume-level labels to be trained to automatically asses whether an OCT volume is healthy or contains AMD. Our architecture involves first learning a cross-section pathology classifier using pseudo-labels that could be corrupted and then leverage these towards a more accurate volume-level classification. We then show that our approach provides excellent performances on a publicly available dataset and outperforms a number of existing automatic techniques.

研究の動機と目的

• OCTボリュームにおけるAMD検出のためのBスキャンレベルの正解ラベルが限られているという課題に対処すること。
• ラベルの負担を軽減するため、ボリュームレベルのラベルのみを必要とする弱教師付き学習戦略の開発。
• 1スライスごとのラベルが不要な状態で3次元OCTボリューム全体にわたる病変特徴を効果的に捉える新しいCNNアーキテクチャの設計。
• 粗いレベルのラベルのみを用いても、AUCおよび臨床的に重要な指標において既存手法を上回ること。

提案手法

• 2段階のトレーニング戦略：まず、ボリュームラベルから導出された汚損した仮ラベルを用いてBスキャンで2次元CNNを事前学習する。
• 1つのOCTボリュームから得られるBスキャンのモザイクを入力として処理するボリュームレベル分類ネットワーク（RetiNet C）。
• 解剖学的文脈を断面間で保持するためのOCT特有のデータ前処理（平坦化と正規化）。
• 最後の畳み込み層からの活性化マップを用いて、ドリューゼンやRPE障害といった病変特徴へのネットワークの注目を可視化・解釈する。
• 5分割交差検証を用いたトレーニングと、ImageNet事前学習済みネットワーク（VGG19、ResNet、DenseNet）および弱教師付きベースライン（2DSeg）との比較。
• 詳細なラベルが不足する状況を緩和しつつ、高いモデル一般化性能を維持するため、半教師付き学習アプローチの採用。

実験結果

リサーチクエスチョン

• RQ1 Bスキャンレベルのラベルを一切必要としないボリュームレベルのラベルのみを用いて、深層学習モデルがAMD検出で高い性能を達成できるか？
• RQ2 汚損した仮ラベルから学習する2段階のCNNアーキテクチャは、OCT病変分類のための判別的特徴を効果的に学習できるか？
• RQ3 RetiNetは、同じデータセット上で完全教師ありまたは弱教師ありで学習された既存の最先端モデルをどの程度上回るか？
• RQ4 明示的な局在化ラベルがなくても、モデルはドリューゼンやRPE障害といった病変特徴をOCTボリューム内で局在化できるか？

主な発見

• RetiNet Cは、公開OCTデータセットで99.7%の曲線下積分（AUC）を達成し、Farsiuらの半自動手法（99.17%）およびVenhuizenらの自動手法（98.4%）を顕著に上回った。
• ImageNet事前学習済みネットワーク（VGG19、ResNet、DenseNet）は、訓練データが限られているため強い過学習を示したのに対し、本モデルは優れた性能を示した。
• 2DSegの弱教師付き手法は、著者自身の元の報告と一致して一般化性能が低く、既存の弱教師付きアプローチの限界を浮き彫りにした。
• 最後の畳み込み層からの活性化マップは、AMD症例においてドリューゼンやRPE障害といった病変領域を明確に強調しており、健康なボリュームでは弱い反応を示した。
• 70エポック経過後でも顕著な過学習が観察されず、トレーニングプロセスは安定的かつ一般化可能であった。これは弱教師付き学習からの有効な特徴学習を示唆した。
• 軽度AMD症例では困難を示し、病変変化が微細なケースで誤分類が生じた。これは、早期段階の検出を改善する必要があることを示唆している。